Trabajaremos en base a un ciclo productivo Salmo salar de 54 semanas, con iguales condiciones para las 10 jaulas. Tomaremos datos de peso promedio final, conversión, mortalidad y velocidad de crecimiento en gramos por semana.
datos <- read_excel("/cloud/project/jaula.xlsx")
head(datos)
## # A tibble: 6 × 6
## sem jaula grupo pprom znum fcr
## <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1 1 J101 SISA 124. 515 0.863
## 2 2 J101 SISA 132. 686 0.863
## 3 3 J101 SISA 146. 167 0.865
## 4 4 J101 SISA 161. 45 0.867
## 5 5 J101 SISA 182. 27 0.869
## 6 6 J101 SISA 209. 26 0.873
#histograma con mas datos de ejes y mas cadenas de comandos#
#histograma para pprom#
hist(x = datos$pprom, main = "Histograma de Pesos promedio",
xlab = "Gramos", ylab = "Frecuencia",
col = "brown")
La distribución de pesos promedios tiene una alta aglomeración en el rango < a 200 [gr], lo cual nos da un indicio de que el grupo conformado por peces provenientes de piscicultura RAS SEALAND, posee un peso menor al de los peces FA SISA y, está ensuciando de alguna manera el desempeño general del universo.
#histograma para znum#
hist(x = datos$znum, main = "Histograma de numero de mortalidad",
xlab = "N mortalidad", ylab = "Frecuencia",
col = "grey")
La distribucion de frecuencias de mortalidad, tambien nos indica que los peces muertos con mayor frecuencia, pertenecen al grupo < a 2000 [gr]
Realizaremos pruebas de homocedasticidad e independencia de los datos a trabajar.
plot(density(datos$pprom))
plot(density(datos$znum))
plot(density(datos$fcr))
plot(ecdf(datos$pprom))
plot(ecdf(datos$znum))
plot(ecdf(datos$fcr))
##inndependencia y variacion entre los datos
ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
geom_boxplot()
ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
labs(y = "Peso promedio (g")+
geom_boxplot() +
geom_jitter()
#interaccion entre los datos##
interaction.plot(datos$grupo, datos$znum, datos$fcr)
corPlot(datos[,4:6], cex = 1.9, main = "Matriz de correlación")
Las pruebas de interacción y correlación, no son determinantes como para decidir la diferencia entre los grupos de peces de pisciculturas de recirculación (RAS) y flujo abierto (FA). Por lo tanto, previo a un análisis de hipótesis, realizaremos una exploración visual del comportamiento del centro en cuestión.
grafico <- datos %>%
ggplot() +
geom_point(aes(x = pprom, y = fcr, col = grupo, size = znum), alpha = 0.8) + theme_classic() +
theme(legend.position = "bottom") + guides(size = "none") +
labs(x = "Peso Promedio [gr]" ,y = "FCR", col = "")
grafico +
transition_time(sem)
##
Otra visión, nos la puede entregar la velocidad de crecimiento por
semana, es decir, expresar una tasa de cambio para cada grupo en
[gr/sem]. Ésto queda evidenciado al observar ambos grupos durante las 54
semanas de cultivo.
velocidades <- read_excel("/cloud/project/velocidades.xlsx")
head(velocidades)
## # A tibble: 6 × 5
## sem grupo grporsem znum fcr
## <dbl> <chr> <dbl> <dbl> <dbl>
## 1 1 SISA 6 746 0.468
## 2 2 SISA 6.02 2166 0.865
## 3 3 SISA 12.4 351 0.867
## 4 4 SISA 11.3 86 0.868
## 5 5 SISA 17.5 85 0.870
## 6 6 SISA 24.5 78 0.873
#velocidad crecimiento SISA
velocidades %>%
filter(grupo == "SISA") %>%
ggplot(aes(sem, grporsem)) + geom_point() + geom_line() +
geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5, col = "gray", size = 20) +
theme_minimal() +
transition_reveal(sem) +
ggtitle("Velocidad crecimiento",
subtitle = "SISA")+
view_follow()
#Velocidad crecimiento SEALAND
velocidades %>%
filter(grupo == "SEALAND") %>%
ggplot(aes(sem, grporsem)) + geom_point() + geom_line() +
geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5, col = "gray", size = 20) +
theme_minimal() +
transition_reveal(sem) +
ggtitle("Velocidad crecimiento",
subtitle = "SEALAND")+
view_follow()